Preview

Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ

Расширенный поиск

Идентификация изменения состояния линии по векторным измерениям на основе сетей глубокого обучения

https://doi.org/10.30724/1998-9903-2020-22-6-55-67

Полный текст:

Аннотация

ЦЕЛЬ. Рассмотреть проблему определения изменения в топологии электрической сети, возникающей вследствие отключения/включения одной из линий электропередачи. Разработать алгоритм обнаружения изменения состояния линии в реальном времени, используя вектора напряжений в узлах электрической сети и вектора токов в линиях, полученные от устройств синхронизированных векторных измерений (УСВИ) во время переходного процесса. Провести экспериментальные исследования на 14-узловой тестовой схеме электрической сети. МЕТОДЫ. Поставленная задача решена методом из области искусственного интеллекта, таким как машинное обучение, в частности "глубокое обучение". РЕЗУЛЬТАТЫ. В статье описана актуальность темы, предложено применение метода определения состояния линий с помощью классификатора на основе сверточных нейронных сетей (СНС). Проведены расчеты для различных архитектур СНС с различным количеством временных срезов от момента изменения состояния линии. Доказана эффективность совместного использования УСВИ и СНС при решении данной задачи. ЗАКЛЮЧЕНИЕ. Предложено решение определения изменения состояния линии в переходном режиме с помощью классификатора сверточных нейронных сетей, используя векторные измерения напряжения и тока в реальном времени. Получена высокая точность, вплоть до 100 %, определения состояния линии, независимо от зашумления данных. Изменение топологии сети определяется в самом начале переходного процесса практически мгновенно, что позволит оператору несколько раз в течение первых секунд идентифицировать состояние линии, чтобы убедиться в правильности принимаемых решений.

Об авторах

Н. Э. Готман
Институт социально-экономических и энергетических проблем Севера Коми научный центр Уральского отделения Российской академии наук
Россия

Готман Наталья Эрвиновна – научный сотрудник отдела энергетики

г. Сыктывкар



Г. П. Шумилова
Институт социально-экономических и энергетических проблем Севера Коми научный центр Уральского отделения Российской академии наук
Россия

Шумилова Галина Петровна – канд.техн.наук., старший научный сотрудник отдела энергетики

г. Сыктывкар



Список литературы

1. Мокеев А.В. Особенности разработки, испытаний и внедрения устройств синхронизированных векторных измерений // Современные подходы к обеспечению надежности электроэнергетических систем. Сыктывкар, 2014. С. 56–62.

2. Tate J.E., Overbye T.J. Line outage detection using phasor angle measurements // IEEE Transactions on Power Systems. 2008. V. 23, N4. рp. 1644–1652.

3. Kim T., Wright S.J. PMU placement for line outage identification via multinomial logistic regression // IEEE Transactions on Smart Grid. 2018. V. 9, N1. pp. 122–131.

4. Cavraro G., Arghandeh R. Power distribution network topology detection with time -series signature verification method // IEEE Transactions on Power Systems. 2018. Vol. 33, N4. рp. 3500-3509.

5. Ponce C., Bindel D.S. FLiER: Practical topology update detecti on using sparse PMUs // IEEE Transactions on Power Systems. 2017. V. 32, N6. pp. 4222–4232.

6. Srikumar M.S., Ananthapadmanbha Dr.T., Khan F.Z., et al. Line outage detection using phasor measurement units. In: Procedia Technology 21 (2015), SMART GRID Technologies; August 6–8; 2015. рp. 88–95.

7. Готман Н.Э., Шумилова Г.П., Старцева Т.Б. Идентификация топологии электрической сети на основе искусственных нейронных сетей с использованием векторных измерений // Методические вопросы исследования надежности больших систем энергетики. Вып. 66. Актуальные проблемы надежности систем энергетики / Отв. ред. Н.И. Воропай, М.А. Короткевич, А.А. Михалевич. Минск: БНТУ, 2015. C. 251-257.

8. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Определение топологии электрической сет и при делении ее на участки с привязкой к устройствам PMU // Методические вопросы исследования надежности больших систем энергетики. Вып. 67. Проблемы надежности систем энергетики / Отв. ред. Н.И. Воропай, Ю.Я. Чукреев. Сыктывкар: Издательство ООО «Коми республиканская типография», 2016. C. 250-255.

9. Готман Н.Э., Шумилова Г.П., Старцева Т.Б. Определение топологии электрической сети с использованием синхронизированных векторных измерений // Материалы Пятого Всероссийского научного семинара "Актуальные проблемы, направления и механизмы развития производительных сил Севера"; 21-23 сентября 2016 г., Сыктывкар. ООО «Коми республиканская типография», 2016. Ч. II. C. 115-123.

10. Cardoso P.E.A. Deep learning applied to PMU data in power systems: Ph.D. thesis. Fa culdade De Engenharia Da Universidade Do Porto. 2017. 105 p. Available at: https://repositorioaberto.up.pt/bitstream/10216/106289/2/204483.pdf. Accessed to: 21 Nov 2020.

11. Schmidhuber J. Deep learning in neural networks: an overview // Neural Networks. 2015. V. 61. pp. 85–117. doi: 10.1016/j.neunet.2014.09.003.

12. Shi H., Xu M.H., Li R. Deep learning for household load forecasting -A novel pooling deep RNN // IEEE Transactions on Smart Grid. 2017. V. 9, N5. pp. 5271–5280.

13. Wang H.Z., Ruan J.Q., Wang G., et al. Deep learning-based interval state estimation of AC smart grids against sparse cyber attacks // IEEE Transactions on Industrial Informatics. 2018. V. 14, N11. pp. 4766–4778.

14. Li W.T., Deka D., Chertkov M., et al. Real-time faulted line localization and PMU placement in power systems through convolutional neural networks // IEEE Transactions on Power Systems. 2019. V. 34, N 6. pp. 4640–4651.

15. Muhammad A., Lee J.M., Hong S.W., et al. Deep learning application in power system with a case study on solar irradiation forecasting. In: Proceedings Int. Conf. Artif. Intell. Inf. Commun. (ICAIIC). Feb. 2019. pp. 275–279.

16. Zhang D., Xiaoqing H., Chunyu D. Review on the research and practice of deep learning and reinforcement learning in smart grids // CSEE Journal of Power and Energy System. 2018. V . 4, N3. p.p. 362–370.

17. Xiao M., Wang S., Ullah Z., et al. Topology detection in power distribution system using kernel node-map deep networks // IET Gener., Transm. Distrib. 2020. V. 14, N19. p. 4033–4041. doi: 10.1049/ietgtd.2020.0048.

18. Schmidhuber J. Deep learning in neural networks: an overview // Neural Networks. 2015. V. 61. pp. 85–117. doi: 10.1016/j.neunet.2014.09.00319.

19. Haykin Simon. Neural networks: a comprehensive foundation. Second edition. Хайкин С. Нейронные сети: полный курс. 2-е изд., испр. / пер. с англ. М: ООО «И.Д.Вильямс». 2006. 1104 с.

20. Созыкин А.В. Обзор методов обучения глубоких нейронных сетей // Вестник Южно уральского государственного университета. Серия: Вычислительная математика и информатика. 2017, Т.6, № 3. C. 28–59.

21. Patterson Josh, Gibson Adam. Deep Learning. A practitioner's approach. Паттерсон Дж., Гибсон А. Глубокое обучение с точки зрения практика / пер. с анг. М.: ДМК Пресс. 2018. 418 с.

22. Хохлов М.В., Голуб И.И. Унифицированный подход к оптимизации размещения PMU в сети для обеспечения надежности наблюдаемости ЭЭС // Методические вопросы исследования надежности больших систем энергетики. Надежность либерализованных систем энергетики /Отв. ред. Н.И. Воропай, А.Н. Назарычев. Иркутск. 2015. № 65. C. 591–601.


Для цитирования:


Готман Н.Э., Шумилова Г.П. Идентификация изменения состояния линии по векторным измерениям на основе сетей глубокого обучения. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2020;22(6):55-67. https://doi.org/10.30724/1998-9903-2020-22-6-55-67

For citation:


Gotman N.E., Shumilova G.P. Identification of line status changes using phasor measurements through deep learning networks. Power engineering: research, equipment, technology. 2020;22(6):55-67. (In Russ.) https://doi.org/10.30724/1998-9903-2020-22-6-55-67

Просмотров: 39


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1998-9903 (Print)
ISSN 2658-5456 (Online)